AI PBL의 기초

2.1.1 혁신의 출발점: 왜 공감이 중요한가?

모든 혁신적인 제품과 서비스는 결국 사용자의 문제를 해결하거나 충족되지 않은 니즈를 만족시키는 것에서 시작합니다. 기술 그 자체가 목적이 아니라, 사용자의 삶을 더 낫게 만드는 것이 혁신의 본질입니다. 따라서 혁신 프로세스의 첫 단추는 기술 탐색이 아닌, 사용자에 대한 깊은 이해, 즉 '공감(Empathy)'에서 시작되어야 합니다.

공감은 단순히 사용자를 동정하는 것을 넘어, 그들의 입장에서 세상을 바라보고, 그들의 생각과 감정, 행동의 동기를 진정으로 이해하려는 노력입니다. 이를 통해 우리는 표면적인 요구 너머의 본질적인 문제와 잠재된 기회를 발견할 수 있습니다.

2.1.2 표면 너머의 진실: 잠재 니즈 발견하기

사용자들은 종종 자신이 무엇을 원하는지 명확하게 표현하지 못하거나, 스스로도 인지하지 못하는 잠재 니즈(Latent Needs)를 가지고 있습니다. 단순히 설문조사나 인터뷰에서 "무엇이 필요한가요?"라고 묻는 것만으로는 이러한 깊은 수준의 니즈를 파악하기 어렵습니다.

헨리 포드의 "만약 내가 고객들에게 무엇을 원하냐고 물었다면, 그들은 '더 빠른 말'이라고 답했을 것이다"라는 말처럼, 사용자의 현재 경험과 익숙한 해결책의 틀 안에서만 생각하는 경향이 있습니다. 진정한 혁신은 사용자가 미처 생각하지 못했거나 당연하게 여겼던 불편함 속에서 새로운 가능성을 발견하는 데서 나옵니다.

따라서 공감 단계에서는 사용자의 말뿐만 아니라, 그들의 행동, 표정, 사용하는 물건, 주변 환경 등 비언어적인 단서들에 주목하여 숨겨진 의미와 니즈를 해석하려는 노력이 필수적입니다.

2.1.3 관찰의 힘: 사용자의 삶 속으로 들어가기

사용자를 깊이 이해하는 가장 효과적인 방법 중 하나는 그들의 실제 삶의 맥락 속에서 자연스러운 행동을 관찰하는 것입니다. 실험실이나 회의실 같은 인위적인 환경이 아닌, 사용자가 실제로 생활하고 일하는 현장에서 그들이 어떻게 행동하고 상호작용하는지 살펴보는 것이 중요합니다.

예를 들어, 새로운 주방용품을 개발한다면 실제 가정의 주방에서 사람들이 요리하는 과정을 관찰하고, 새로운 교육용 앱을 만든다면 학생들이 교실이나 집에서 공부하는 모습을 지켜보는 식입니다. 이를 통해 설문조사나 인터뷰만으로는 알 수 없는 무의식적인 습관, 임시방편적인 해결책(Workarounds), 환경과의 상호작용 방식, 느끼는 감정 등을 포착할 수 있습니다.

맥락적 관찰(Contextual Inquiry)은 사용자가 당연하게 여기는 행동 속에 숨겨진 혁신의 단서를 발견하는 강력한 방법입니다.

2.1.4 공감 인터뷰: 마음을 듣는 기술

공감 인터뷰(Empathy Interview)는 사용자와의 개방적이고 심층적인 대화를 통해 그들의 경험, 생각, 감정, 가치관을 이해하려는 질적 연구 방법입니다. 미리 정해진 질문에 답을 얻는 것이 아니라, 사용자의 이야기에 귀 기울이며 그들의 관점을 배우는 데 목적이 있습니다.

성공적인 공감 인터뷰를 위한 핵심:

• **개방형 질문:** "왜 그렇게 생각하세요?", "~했을 때 어떤 느낌이었나요?", "그 경험에 대해 더 자세히 말씀해주시겠어요?" 등 사용자가 자유롭게 이야기하도록 유도합니다.
• **경청과 공감:** 판단하지 않고 사용자의 말에 집중하며, 감정을 읽고 공감하는 태도를 보입니다. 비언어적 표현에도 주목합니다.
• **이야기 요청:** 구체적인 경험이나 사례에 대한 이야기를 요청하여 생생한 맥락과 감정을 파악합니다. ("가장 기억에 남는 ~ 경험은 무엇인가요?")
• **침묵 활용:** 때로는 침묵이 사용자가 더 깊은 생각을 꺼내도록 돕습니다.

공감 인터뷰는 사용자의 내면 깊숙한 곳의 목소리를 듣고, 그들의 진짜 욕구와 동기를 이해하는 데 매우 효과적인 방법입니다.

2.1.5 그림자 관찰: 사용자의 하루를 함께하다

그림자 관찰(Shadowing)은 연구자가 말 그대로 사용자의 '그림자'처럼 일정 시간 동안 사용자를 따라다니며 그들의 행동, 상호작용, 환경 등을 면밀히 관찰하고 기록하는 방법입니다. 이는 사용자가 특정 과업을 수행하거나 일상생활을 하는 실제 맥락 속으로 깊숙이 들어갈 수 있게 해줍니다.

인터뷰나 설문에서는 드러나지 않는 자연스럽고 무의식적인 행동 패턴, 특정 상황에서의 감정 변화, 주변 환경과의 상호작용 방식, 예상치 못한 문제 발생 및 해결 과정 등을 생생하게 포착할 수 있습니다. 예를 들어, 병원 시스템 개선을 위해 의사나 간호사의 하루 업무를 섀도잉하며 동선, 사용하는 도구, 동료와의 소통, 스트레스 요인 등을 관찰할 수 있습니다.

섀도잉은 시간과 노력이 많이 필요하지만, 사용자의 실제 경험에 대한 풍부하고 깊이 있는 질적 데이터를 얻을 수 있는 강력한 공감 방법론입니다.

2.1.6 다양한 공감 도구 상자 활용하기

사용자를 이해하는 방법은 관찰과 인터뷰 외에도 다양합니다. 문제의 성격과 연구 목적, 대상 사용자의 특성에 따라 적절한 방법들을 조합하여 활용하는 것이 중요합니다. 마치 연장통에 여러 도구가 있듯이, 상황에 맞는 공감 도구를 선택하고 활용하는 유연성이 필요합니다.

기타 공감 방법론 예시:

• **문화 탐색 도구(Cultural Probes):** 사용자에게 일기장, 카메라, 지도 등 도구가 담긴 키트를 제공하고, 특정 주제에 대해 기록하고 표현하도록 요청하여 사용자의 일상과 생각을 엿보는 방법.
• **체험 수기/사용자 일지(Diaries/Journals):** 사용자가 특정 기간 동안 제품/서비스 사용 경험이나 특정 활동에 대한 생각과 느낌을 기록하도록 하는 방법.
• **극단적 사용자 인터뷰(Extreme User Interviews):** 해당 제품/서비스를 매우 적극적으로 사용하거나 전혀 사용하지 않는 극단적인 사용자들을 인터뷰하여 핵심 니즈나 문제점을 발견하는 방법.
• **자신이 사용자가 되어보기(Be Your Customer):** 직접 해당 제품/서비스를 사용해보거나 관련 경험을 해보며 사용자의 입장을 체험하는 방법.

2.1.7 공감 결과 종합하기: 인사이트 도출과 공유

다양한 방법으로 수집된 사용자 데이터(관찰 기록, 인터뷰 내용, 사진, 메모 등)는 그 자체로는 의미를 갖기 어렵습니다. 이를 체계적으로 정리하고 분석하여 의미 있는 패턴과 통찰(Insight)을 발견하는 과정이 필요합니다. 이 과정을 통해 팀원 전체가 사용자에 대한 공통된 이해를 갖게 됩니다.

공감 결과 종합 및 인사이트 도출 도구:

• **친화도 다이어그램(Affinity Diagram):** 수집된 데이터를 키워드나 문장 단위로 카드에 적어 유사한 것끼리 그룹핑하며 패턴과 주제를 발견하는 방법.
• **공감 지도(Empathy Map):** 사용자가 보고, 듣고, 생각하고, 느끼는 것과 사용자의 목표(Needs), 어려움(Pains)을 시각적으로 정리하여 사용자의 경험을 입체적으로 이해하는 도구.
• **페르소나(Persona):** 사용자 조사 결과를 바탕으로 목표, 니즈, 행동 패턴 등을 대표하는 가상의 인물 프로필을 만드는 것. 디자인 결정의 기준점을 제공합니다.
• **사용자 여정 지도(User Journey Map):** 사용자가 특정 목표를 달성하기 위해 거치는 단계별 행동, 생각, 감정, 접점(Touchpoints), 어려움 등을 시각화하여 전체적인 경험 흐름을 파악하는 도구.

이러한 도구들을 활용하여 공감 결과를 시각화하고 공유함으로써, 팀 전체가 사용자에 대한 깊이 있는 이해를 바탕으로 다음 단계인 '문제 정의'로 나아갈 수 있습니다.

2.1.8 데이터와 공감의 균형: 숫자를 넘어 사람을 보다

최근 빅데이터, 로그 분석 등 정량적 데이터(Quantitative Data)의 중요성이 강조되고 있습니다. 사용자 행동 패턴, 선호도 등을 숫자로 파악하는 것은 의사결정에 유용한 정보를 제공합니다. 하지만 데이터만으로는 사용자의 '왜(Why)', 즉 행동 이면의 이유, 감정, 맥락을 온전히 이해하기 어렵습니다.

예를 들어, 특정 버튼의 클릭률이 낮다는 데이터는 '무엇(What)'이 문제인지 알려주지만, '왜' 사용자들이 그 버튼을 누르지 않는지(예: 버튼을 찾기 어려워서, 기능이 불필요해서, 용어를 이해하기 어려워서 등)는 알 수 없습니다. 이러한 맥락적 이해와 깊은 동기 파악은 인터뷰, 관찰 등 정성적 공감(Qualitative Empathy)을 통해서만 가능합니다.

따라서 진정한 사용자 중심 혁신을 위해서는 데이터 기반의 객관적 분석과 인간적인 공감 능력을 조화롭게 활용하는 지혜가 필요합니다. 데이터는 가설을 세우거나 검증하는 데 도움을 주고, 공감은 그 데이터 너머의 살아있는 사용자 이야기를 들려줍니다.

2.1.9 AI, 공감 연구의 조력자가 되다

인공지능(AI) 기술은 방대한 양의 사용자 데이터를 처리하고 분석하여 공감 연구 과정을 효율화하고 확장하는 데 도움을 줄 수 있습니다. AI는 인간 연구자가 놓치기 쉬운 패턴이나 트렌드를 발견하는 조력자 역할을 할 수 있습니다.

AI 활용 공감 연구 예시:

• **대규모 텍스트 분석:** 소셜 미디어 게시물, 고객 리뷰, 설문조사 개방형 답변 등 방대한 텍스트 데이터를 자연어 처리(NLP) 기술로 분석하여 주요 키워드, 주제, 감성(긍정/부정) 등을 자동으로 추출하고 시각화합니다.
• **음성/영상 데이터 분석:** 인터뷰 녹취록을 자동으로 텍스트로 변환하거나, 사용성 테스트 영상에서 사용자의 표정이나 목소리 톤 변화를 감지하여 감정 상태를 추정합니다.
• **패턴 및 이상 감지:** 사용자 행동 로그 데이터에서 일반적이지 않은 패턴이나 이상 신호를 감지하여 추가적인 심층 조사가 필요한 부분을 식별합니다.
• **정보 검색 및 요약:** 특정 주제나 사용자에 대한 방대한 자료를 AI가 빠르게 검색하고 핵심 내용을 요약하여 연구자의 정보 수집 시간을 단축합니다.

AI는 공감 연구의 효율성을 높이고 범위를 확장하는 강력한 도구가 될 수 있지만, 그 결과를 해석하고 의미를 부여하는 것은 여전히 인간 연구자의 역할입니다.

2.1.10 AI 시대, 공감 능력의 중요성: 인간의 역할

AI가 데이터 분석과 패턴 발견에 뛰어난 능력을 보이지만, 진정한 공감(Empathy)은 단순한 데이터 처리를 넘어섭니다. 공감은 타인의 감정을 느끼고, 그들의 입장에서 생각하며, 깊은 유대감을 형성하는 본질적으로 인간적인 능력입니다.

AI는 사용자의 감성을 '분석'할 수는 있지만, 그 감정을 '느끼거나' 그 이면의 복잡한 인간적 맥락을 '이해'하지는 못합니다. 또한, 윤리적 딜레마 상황에서의 판단이나 인간적인 가치 고려는 AI의 영역이 아닙니다. AI가 제시하는 분석 결과는 차가운 데이터일 뿐이며, 여기에 따뜻한 의미와 가치를 부여하는 것은 결국 인간의 통찰력과 해석 능력입니다.

따라서 AI 시대에도, 아니 오히려 AI 시대이기에 인간 고유의 공감 능력은 더욱 중요해집니다. AI가 제공하는 데이터와 분석 결과를 비판적으로 수용하고, 인간적인 통찰과 지혜를 더하여 사용자를 위한 진정한 가치를 만들어내는 것, 이것이 바로 미래 혁신가에게 요구되는 핵심 역량입니다. 기술은 인간을 대체하는 것이 아니라, 인간의 공감 능력을 확장하고 심화시키는 방향으로 활용되어야 합니다.

2.2.1 공감에서 문제 정의로: 방향 설정의 중요성

공감 단계를 통해 사용자에 대한 깊이 있는 이해와 다양한 인사이트를 얻었다면, 이제 이를 바탕으로 해결해야 할 핵심 문제를 명확하게 정의하는 단계로 나아가야 합니다. 이것이 바로 문제 정의(Problem Definition) 또는 문제 프레이밍(Problem Framing)입니다.

문제 정의는 마치 항해사가 목적지를 설정하는 것과 같습니다. 명확한 목적지(문제 정의)가 있어야 올바른 항로(해결책 탐색)를 설정하고 효과적으로 나아갈 수 있습니다. 잘못 정의된 문제는 아무리 창의적인 해결책을 내놓아도 근본적인 가치를 제공하기 어렵습니다. 따라서 공감 단계에서 얻은 방대한 정보 속에서 가장 중요하고 해결할 가치가 있는 문제를 선별하고 명료하게 기술하는 것이 중요합니다.

문제 정의 단계는 단순히 문제를 기술하는 것을 넘어, 우리가 풀어야 할 도전 과제가 무엇인지에 대한 공감대를 형성하고, 이후 혁신 활동의 명확한 방향을 제시하는 중요한 과정입니다.

2.2.2 증상 너머의 본질: 근본 원인 탐색의 중요성

문제를 정의할 때 흔히 저지르는 오류는 표면적으로 드러나는 '증상(Symptom)'에만 집중하고 그 이면의 근본 원인(Root Cause)을 간과하는 것입니다. 증상에 대한 해결책은 임시방편일 뿐, 문제를 근본적으로 해결하지 못하고 반복될 가능성이 높습니다.

예를 들어, '웹사이트 이탈률이 높다'는 증상이 있다면, 단순히 '더 매력적인 디자인으로 바꾸자'고 정의하는 것은 피상적입니다. 왜 이탈률이 높은지, 그 근본 원인(예: '사용자가 원하는 정보를 찾기 어렵다', '로딩 속도가 너무 느리다', '회원가입 절차가 복잡하다' 등)을 파악해야 실질적인 개선과 효과적인 해결책 도출이 가능합니다.

따라서 문제를 정의할 때는 관찰된 현상 너머의 맥락과 인과관계를 깊이 파고들어 문제의 진짜 뿌리를 찾아내는 노력이 필수적입니다. 이것이 바로 효과적인 문제 해결의 시작입니다.

2.2.3 "왜?"라는 질문의 힘: 5 Whys 기법 활용

문제의 근본 원인을 파악하는 간단하면서도 강력한 방법 중 하나는 "왜(Why)?"라는 질문을 반복해서 던지는 것입니다. 토요타 생산 시스템에서 유래한 5 Whys 기법은 특정 문제 현상에 대해 "왜 그런 문제가 발생했는가?"라는 질문을 일반적으로 5번 정도 반복함으로써 표면적인 이유 너머의 근본적인 원인에 도달하도록 돕습니다.

5 Whys 예시: 웹사이트 이탈률 증가

• **문제:** 웹사이트 이탈률이 높다.
• **1 Why?** 사용자가 원하는 정보를 찾지 못하고 금방 나간다.
• **2 Why?** 네비게이션 메뉴 구조가 복잡하고 직관적이지 않다.
• **3 Why?** 메뉴 설계 시 사용자 관점보다는 내부 조직 구조를 반영했다.
• **4 Why?** 사용자 조사를 충분히 하지 않고 내부 의견만으로 설계했다.
• **5 Why?** 프로젝트 일정이 촉박하여 사용자 조사 단계를 생략했다. → (근본 원인 가능성)

반드시 5번을 채워야 하는 것은 아니며, 더 이상 의미 있는 답변이 나오지 않거나 통제 가능한 수준의 원인에 도달했을 때 멈출 수 있습니다. 이 기법은 문제의 본질에 집중하고 피상적인 해결책을 피하도록 돕습니다.

2.2.4 문제 구조화: 문제 나무(Problem Tree) 분석

문제 나무(Problem Tree) 분석은 복잡한 문제의 핵심 문제, 원인, 결과 간의 인과관계를 시각적으로 구조화하여 문제의 전체적인 그림을 이해하도록 돕는 도구입니다.

나무의 형태에 비유하여 다음과 같이 구성됩니다:

• **몸통(Trunk):** 분석하고자 하는 핵심 문제(Core Problem)를 정의합니다.
• **뿌리(Roots):** 핵심 문제를 유발하는 직접적, 간접적 원인(Causes)들을 아래쪽으로 연결합니다. (Why?)
• **가지/잎(Branches/Leaves):** 핵심 문제로 인해 발생하는 부정적인 결과나 영향(Effects/Consequences)들을 위쪽으로 연결합니다. (So what?)

문제 나무를 작성하는 과정에서 팀원들은 문제에 대한 공통된 이해를 형성하고, 어디에 집중하여 해결 노력을 기울여야 할지(주요 원인) 명확히 파악할 수 있습니다. 이는 문제 정의를 더욱 체계적이고 논리적으로 만드는 데 도움을 줍니다.

2.2.5 문제 분해의 기술: MECE 원칙 활용하기

복잡하고 큰 문제는 한 번에 다루기 어렵습니다. 이럴 때는 문제를 더 작고 관리 가능한 단위로 나누어 분석하는 것이 효과적입니다. MECE(Mutually Exclusive and Collectively Exhaustive) 원칙은 문제를 분해할 때 논리적 오류나 누락 없이 전체를 파악하도록 돕는 유용한 프레임워크입니다.

MECE는 다음 두 가지 조건을 만족하도록 문제를 분해하는 것을 의미합니다:

• **상호 배타성(Mutually Exclusive):** 나누어진 항목들 간에 중복되는 부분이 없어야 합니다. 각 항목은 서로 독립적이어야 합니다.
• **전체 포괄성(Collectively Exhaustive):** 나누어진 항목들을 모두 합쳤을 때, 원래 문제의 전체 범위를 누락 없이 포함해야 합니다.

MECE 원칙에 따라 문제를 분해하면, 문제의 구조를 명확하게 파악하고, 각 하위 문제의 중요도를 평가하며, 해결 노력을 어디에 집중해야 할지 결정하는 데 도움이 됩니다. 이는 논리적이고 체계적인 문제 접근을 가능하게 합니다.

2.2.6 강력한 문제 정의문(Problem Statement) 작성하기

문제 분석을 통해 핵심 문제와 그 원인을 파악했다면, 이를 명확하고 간결한 문장으로 정의하는 것이 중요합니다. 잘 작성된 문제 정의문(Problem Statement)은 팀 전체가 해결해야 할 과제에 대한 공감대를 형성하고, 이후 아이디어 발상 단계의 명확한 방향을 제시합니다.

좋은 문제 정의문은 일반적으로 다음과 같은 특징을 갖습니다:

• **인간 중심적(Human-centered):** 특정 사용자 그룹과 그들의 니즈에 초점을 맞춥니다.
• **구체적(Specific):** 문제가 발생하는 상황과 맥락을 명확히 합니다.
• **실행 가능(Actionable):** 해결책을 모색할 수 있는 범위 내에서 정의됩니다.
• **해결책 미포함(Solution-free):** 특정 해결책을 암시하지 않고 문제 자체에 집중합니다.
• **긍정적/기회 지향적(Opportunity-oriented):** (선택 사항) 문제를 해결했을 때의 긍정적 가치를 내포할 수 있습니다.

디자인씽킹에서는 종종 관점(Point of View, POV) 형식으로 문제 정의문을 작성합니다: [사용자]는 [니즈]를 가지고 있다. 왜냐하면 [인사이트/이유] 때문이다.

명확하게 정의된 문제 정의문은 팀의 노력을 한 방향으로 집중시키고, 창의적인 해결책 탐색의 효과적인 출발점이 됩니다.

2.2.7 문제 분석 과정에서의 AI 활용

문제의 근본 원인을 파악하고 구조화하는 과정에서 AI는 데이터 분석 능력을 활용하여 인간의 통찰력을 보완하는 유용한 도구가 될 수 있습니다. 특히 방대한 양의 정량적, 정성적 데이터 속에서 패턴이나 연관성을 찾는 데 효과적입니다.

AI 활용 문제 분석 예시:

• **상관관계 분석:** 다양한 데이터(예: 사용자 행동 로그, 구매 데이터, 설문 결과) 간의 통계적 상관관계를 분석하여 문제 발생에 영향을 미치는 잠재적 요인을 식별합니다.
• **텍스트 마이닝:** 고객 불만 접수 내용, 인터뷰 녹취록, 온라인 리뷰 등 텍스트 데이터에서 특정 키워드나 주제의 출현 빈도, 연관성 등을 분석하여 문제의 원인에 대한 단서를 얻습니다. (오피니언 마이닝 포함)
• **클러스터링:** 유사한 특성이나 행동 패턴을 보이는 사용자 그룹을 자동으로 분류하여, 특정 그룹이 겪는 문제점을 파악하는 데 도움을 줍니다.
• **인과관계 추론 지원:** (주의 필요) AI가 데이터 패턴을 기반으로 잠재적인 인과관계를 제안할 수 있지만, 이는 가설일 뿐이며 인간의 비판적 검토와 추가 검증이 필수적입니다.

AI는 문제 분석에 필요한 정보 처리 부담을 줄여주고 객관적인 데이터 기반의 실마리를 제공함으로써, 인간이 더 깊이 있는 통찰과 판단에 집중할 수 있도록 돕습니다.

2.2.8 문제 정의의 최종 결정권자: 인간의 역할

AI가 데이터 분석을 통해 문제의 원인에 대한 유용한 단서를 제공할 수 있지만, 최종적으로 어떤 문제를 어떻게 정의할 것인지를 결정하는 것은 여전히 인간의 몫입니다. 문제 정의는 단순히 데이터를 요약하는 것이 아니라, 깊은 이해와 가치 판단이 필요한 복합적인 과정이기 때문입니다.

인간은 다음과 같은 측면에서 AI를 능가하는 중요한 역할을 수행합니다:

• **맥락 이해:** 데이터가 생성된 사회적, 문화적, 역사적 맥락을 이해하고 데이터의 의미를 해석합니다.
• **윤리적 판단:** 문제 정의가 특정 집단에게 미칠 영향, 프라이버시 침해 가능성 등 윤리적 측면을 고려합니다.
• **인과관계 통찰:** 데이터 상의 상관관계가 실제 인과관계를 의미하는지 비판적으로 판단하고, 복잡한 시스템적 원인을 통찰합니다.
• **가치 설정:** 어떤 문제를 해결하는 것이 더 중요하고 가치 있는지, 조직의 비전과 목표에 부합하는지 판단합니다.
• **의미 부여:** 문제에 대한 공감대를 형성하고, 해결 노력에 대한 동기를 부여하는 설득력 있는 정의를 내립니다.

따라서 AI를 문제 정의 과정의 파트너이자 보조 도구로 효과적으로 활용하되, 최종적인 문제 프레임 설정은 인간의 깊은 고민과 책임감 있는 판단을 통해 이루어져야 합니다.

2.2.9 함정 피하기: 성급한 해결책 중심 사고 경계

문제를 정의하는 과정에서 흔히 빠지기 쉬운 함정 중 하나는 특정 해결책을 염두에 두고 문제를 그 해결책에 맞춰 정의하려는 유혹입니다. 예를 들어, '우리 회사는 AI 챗봇을 도입해야 한다'는 해결책을 먼저 생각하고, 문제를 '고객 문의 응대에 많은 시간이 소요된다'와 같이 챗봇 도입을 정당화하는 방식으로 정의하는 경우입니다.

이러한 해결책 중심 사고(Solution-focused Thinking)는 문제의 본질을 정확히 파악하는 것을 방해하고, 더 창의적이고 효과적인 다른 해결책을 탐색할 기회를 차단할 수 있습니다. 챗봇 도입이 최선이 아닐 수도 있으며, 고객 문의가 많은 근본적인 이유(예: 제품 설명 부족, 잦은 오류 발생)를 해결하는 것이 더 중요할 수 있습니다.

따라서 문제를 정의할 때는 개방적인 태도를 유지하며 문제 자체에 집중해야 합니다. 해결책에 대한 아이디어는 이후 아이디어 발상 단계에서 자유롭게 탐색하도록 하고, 문제 정의 단계에서는 어떤 해결책이 필요한지를 규정하기보다는 어떤 문제가 해결되어야 하는지를 명확히 하는 데 집중해야 합니다.

2.2.10 반복과 개선: 문제 정의는 진화한다

문제 정의는 한 번에 완벽하게 이루어지는 과정이 아닐 수 있습니다. 때로는 초기에 정의했던 문제가 너무 광범위하거나, 핵심을 제대로 짚지 못했거나, 새로운 정보가 발견됨에 따라 수정과 개선이 필요할 수 있습니다. 따라서 문제 정의는 반복적(Iterative) 과정으로 이해하는 것이 중요합니다.

문제를 정의한 후에도 지속적으로 공감 단계에서 얻은 데이터와 인사이트를 되돌아보고, 정의된 문제가 사용자의 진짜 니즈와 어려움을 정확하게 반영하는지 검토해야 합니다. 필요하다면 추가적인 사용자 조사를 통해 가설을 검증하거나, 문제 정의문을 수정하여 초점을 더욱 명확히 할 수 있습니다.

문제 정의에 충분한 시간과 노력을 투자하고, 필요에 따라 유연하게 수정하고 개선해나가는 자세가 이후 혁신 프로세스 전체의 성공 가능성을 높이는 중요한 열쇠가 됩니다.